基于邻域熵的自适应多尺度边缘检测方法

提出了一种基于邻域熵的自适应调整滤波尺度的多尺度边缘检测方法 ,该方法根据当前像素点所处邻域内像素点的灰度分布的有序性 ,定义了邻域内灰度分布的邻域熵 ,以判定该邻域内是否存在边缘。同时分析了后选边缘的宽度 ,以定量调整边缘检测中的滤波尺度参数。实验结果和抗噪性能分析表明 ,这种方法可以得到令人满意的结果 ,特别是对图像中弱边缘的检测效果比较理想。

自适应多尺度边缘检测

提出了自适应多尺度边缘检测算法及其快速实现办法 .算法通过自适应确定边缘像元的最佳滤波尺度来检测边缘 ,计算量较小 .同时提出了一种自适应确定一幅图像边缘的尺度范围的方法 ,并为描述边缘特性增加了一个边缘尺度参数 .

基于区域能量的自适应多尺度边缘检测(英文)

提出了基于区域能量的自适应多尺度边缘检测方法,研究了局部区域内不同边缘方向两侧能量的分布情况;在此基础上提出了一种基于区域能量阈值差与区域面积比值的自适应多尺度方法,最后给出了仿真实验以及与传统方法的对比。结果表明,新方法能进行有效边缘检测并能更好地去除噪声。

一种在尺度空间下基于边缘的角点目标检测方法

图像中的目标角点位置是实现很多计算机视觉任务的关键数据。为了克服传统检测算法产生的数据冗余问题,提出了一种在尺度空间下基于边缘的角点目标检测方法。首先,构建一个分组多层的尺度空间,将原图投影到其中后得到多个平滑图像。与此同时,采用定义的边缘算子检出平滑图像中所有边缘而得到多个按序存放的像素点集,当点集数量稳定时停止更大尺度的变换。然后,在当前尺度下,计算点集中各元素反映其角点强度的特征值。根据这些特征值变化规律检出角点的支撑集区间,并在此区间中采用高斯拟合函数确定最终的目标角点。实验表明,该方法能够检出特征显著的目标角点及其角度,其中合成图像精度在像素级,应用案例中的平均误差与图幅比约为1.5/100。

基于自适应尺度混合海森滤波器的面部皱纹检测及评分

为解决全面部皱纹缺乏量化评价方法的问题,提出了一种基于自适应尺度混合海森滤波器(adaptive scale hybrid Hessian filter,ASHHF)的面部皱纹检测方法及评分机制。根据受试者年龄自适应调整海森滤波器的尺寸(σ)范围及步长参数并对其面部高分辨率图像进行滤波,基于81个面部特征点在滤波结果中去除五官、背景,仅保留面部皱纹,使用不同颜色将不同深度的皱纹检测结果标注在原始图像中,最后计算得分量化皮肤衰老程度。以专业医生标注皱纹为参考,50名受试者(年龄为22~65岁)的检测结果表明,相比于传统的固定尺度混合海森滤波器(fixed scale hybrid Hessian filter,FSHHF),ASHHF方法的检测准确率平均提升68.57%,运行时间平均缩短26.26%,评分机制结果与检测准确率的变化趋势一致。综上,本文检测方法能够准确、快速检测面部皱纹分布、深度及宽度,所提评分机制能够科学反映受试者皮肤衰老程度,有望为化妆品、医疗美容等抗衰方法提供功效量化评价手段。

融合自适应注意力的多尺度火灾检测算法

针对实际场景下火灾检测准确度不高的现象,根据火灾自身特征提出了一种基于Anchor-free结构的火灾检测算法.将特征提取网络残差模块设计为多分支结构,并在其基础上嵌入根据火焰特征设计的自适应注意力模块,提取出更具表达力的火焰特征.添加亚像素融合,利用高层特征丰富的通道信息增强多尺度特征的表达能力.设计特征增强模块强化最高层特征表示,更好地利用全局空间信息.引入自适应标签分配,强化网络对火焰特征的学习效果.利用改进后的GIoU Loss损失函数对边界框精细回归.该算法在自建数据集上的检测精度达到了94.9%,在公开数据集上也有较好的检测效果,且抗干扰能力强,适用于各种环境下的火灾检测,能够满足实际场景下火灾检测任务的需要.

基于锚框自适应和多尺度增强的SAR舰船检测

针对目前基于深度学习的合成孔径雷达(synthetic aperture radar, SAR)舰船检测锚框尺度固定、多尺度检测性能较差的问题,提出了一种基于锚框自适应和多尺度增强网络(adaptive anchor multi-scale enhancement network, AA-MSE-Net)的SAR舰船检测方法。首先,AA-MSE-Net引入了锚框自适应机制,来生成适应目标形态的高质量锚框,增强了舰船形态描述能力。其次,AA-MSE-Net提出了多尺度增强金字塔网络,来融合增强多尺度特征,增强了多尺度描述能力。最后,AA-MSE-Net在骨干网络中引入了可变形卷积,来提取舰船形变特征,进一步提高检测精度。实验证明,AA-MSE-Net在公开SAR舰船检测数据集上的平均精度高于8种对比方法。

基于多尺度残差网络的自适应边缘检测

为了实现无人机避障过程中的障碍物检测,针对传统边缘检测算法检测速度慢、抗噪性能差、边缘信息易缺失等问题,提出了一种基于多尺度残差网络的自适应边缘检测算法。基于深度可分离卷积,替换ResNet18残差网络中的传统卷积结构有效减少了网络参数量,提高特征提取效率。在综合考虑固定阈值和局部边缘点均值的基础上,引入自适应阈值改进八向差分算子,以提高算法抑制噪声干扰的能力。基于多尺度特征融合结构,在包含更强语义信息的高层特征图上融合低层细节信息,细化小尺度目标边缘特征。与改进前相比,准确率提升了4.23%,参数量降低了5.01×10~6,处理速度提高了4 fps。

边缘信息引导多级尺度特征融合的显著性目标检测方法

针对基于FCN和U型网络架构的深度学习显著性目标检测方法提取的显著性图存在边界不清晰和结构不完整的问题,文中提出了一种基于边缘信息引导多级尺度特征融合网络(EGMFNet)。EGMFNet使用多通道融合残差块(RCFBlock)以嵌套的U型网络架构作为主干模型。同时,在网络的较低层级引入具有边缘信息引导的全局空间注意力模块(EGSAM)以增强空间特征及边缘特征。此外,在损失函数中引入了图像边界损失,用于提升显著性图的质量并在学习过程中保留更加清晰的边界。在四个基准数据集上进行实验,实验结果表明,文中方法的F值较典型方法提升1.5%、2.7%、1.8%和1.6%,验证了EGMFNet网络模型的有效性。

基于尺度与对比度不变的图像边缘检测算法

为了克服当前边缘检测器中难以准确估计边缘的对比度和宽度,且易受到噪声影响,导致其边缘提取精度降低的问题,设计了一种尺度与对比不变的边缘检测算法。首先,借助Gaussian分布函数来描述目标边缘,求解闭合形式的位置、宽度、对比度、偏移和方向等参数,并且将噪声滤除为低对比度特征。其次,定义了一种尺度归一化方法,确保所有像素点在尺度空间中都能获得稳定的极值。然后,通过梯度幅度信息,基于Laplacian计算方法,构建尺度与对比度不变的边缘检测器,消除对比度参数的影响,准确获取图像的边缘。测试数据显示,较已有的边缘检测方法而言,所提方法呈现更优的提取效果,得到的边缘更加清晰与完整。

FMLED:细粒度级多尺度特征表示的轻量级边缘检测方法

针对现有基于深度学习的轻量级边缘检测方法存在检测效果不佳的问题,本文提出一种细粒度级多尺度特征表示的轻量级边缘检测方法——FMLED.首先,以细粒度方式提取图像多尺度特征,得到更细致并具有全局性的特征图;其次,对特征图进行上采样,得到不同阶段的中间边缘图;最后,使用学习滤波器为每个像素分配不同权重并融合中间边缘图特征,使生成的边缘更加清晰准确.本文方法可用于任何边缘检测任务,而无需进行预训练或微调;并以较小的模型复杂度产生优质边缘.在BIPED、BSDS500和NYUD 3个数据集上的实验结果表明,FMLED框架在不增加计算负载的情况下,可以得到更高质量的边缘.

基于改进的Canny算子与自适应阈值的边缘检测算法

传统的基于Canny算子的边缘检测算法存在不足,因此提出了一种基于自适应阈值的改进方法。由于传统的Canny算子方法中的高低阈值需要人工设定,会对边缘检测中的结果产生影响,利用自适应阈值的方法改进传统Canny算子中阈值的参数的设定。得到理论上适合的参数后,根据算法对结果进行处理。实验结果表明,改进后的算法比传统算法表现更加出色,而且有效排除了图像中噪点的影响,提高了边缘检测算法的鲁棒性。

多尺度自适应加权形态边缘检测方法

针对常用的多尺度边缘检测方法因卷积运算造成模糊图像边缘 ,提出一种多尺度自适应加权形态边缘检测方法 ,利用大小不同的结构元素提取图像边缘特征 ,在大尺度下抑制噪声 ,可靠地识别边缘 ,在小尺度下定位 ,再由粗到细跟踪边缘 ,得到边缘的位置 ,再由各尺度结构元的抗噪性确定加权值的大小 ,然后加权处理得到最后的边缘结果 .实验表明 ,用多尺度自适应加权形态边缘检测算法可得到较理想的图像边缘 .

边缘检测滤波尺度自适应选择算法

为回避多尺度边缘检测中融合多幅图像涉及的启发性规则,同时克服Jeong算法的局限性,奉文首先基于Tan的广义边缘定义设定一个适应度函数,然后采用自适应遗传算法针对单个像素及其邻域结构的特征搜索最佳滤波尺度得到局部最佳边缘检测尺度,最后由最佳尺度高斯滤波器得到最终边缘图像.实验证明能够得到令人满意的结果.

基于多尺度自适应梯度的图像边缘检测方法

为了克服基于小波变换的双阈值递归边缘检测算法检测到的图像边缘不连续的缺点,提出了将自适应梯度算法和双阈值递归相结合的图像边缘检测方法。通过获得二维小波变换的模极大值点来检测图像的候选边缘点;在确定双阈值的情况下,选择高于较大阈值的为边缘,低于较小阈值的为非边缘;通过对候选边缘点的3×3邻域和5×5邻域的跟踪补偿,确定介于双阈值之间的候选边缘点是否为最终的边缘点。实验结果表明,在同样阈值下,该算法比双阈值递归边缘检测算法获得的图像边缘连续性更好,能够更有效地抑制噪声,边缘检测效果更好。

交通视频图像的多尺度自适应阈值边缘检测

基于视频图像的交通流参数检测,车辆检测是其关键。车辆检测常用的有帧差法、背景差法和边缘检测法等。边缘检测是适应性最好的方法。本文把基于小波变换的多尺度自适应阈值图像边缘检测的新方法应用于交通图像边缘检测。通过计算机仿真对本算法进行了验证,结果明显好于采用其它几种经典方法的边缘检测。

基于多尺度边缘响应函数的自适应阈值边缘检测算法

该文提出了一种基于多尺度边缘响应函数的自适应阈值边缘检测算法。首先分析二进小波变换,根据边缘和噪声随尺度变化的不同特性,设计了多尺度边缘响应函数(MERF)。通过MERF中的乘积放大作用,增大了边缘响应的幅度,同时也抑制了噪声产生的伪边缘。然后利用小波变换多尺度之间的联合分布关系,计算自适应阈值.检测MERF的梯度模值形成多尺度边缘。该算法直接在小波特征上进行多尺度合成,避免了多个边缘图合成过程的病态问题。实验表明,与LOG,Canny以及Mallat多尺度小波检测方法相比,该算法在检测和定位之间能够达到更好的平衡,既能够实现小尺度下的精确定位,也可以保留大尺度下对噪声的抑制作用。

基于B样条小波的自适应阈值多尺度边缘检测

利用小波变换的特点,设计了3次B样条平滑滤波算子。对图像进行多尺度滤波,得到了不同尺度的小波变换。结合自适应阈值方法,在每种尺度下分别提取了图像边缘;而后利用边缘信息的多尺度特性,综合多尺度边缘得到单像素宽边缘。通过计算机仿真对该方法进行验证表明:该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,明显优于已有的边缘检测方法。

一种尺度自适应Canny边缘检测方法(英文)

作为最优边缘检测算子,Canny算子在线性滤波及选取阈值方面具有一定的局限性。在其基础上,采用尺度可变的自适应高斯滤波器进行滤波,通过计算滤波器各滤波窗口内像素点灰度值的均值,以及该均值与当前像素点灰度值的差值,确定滤波窗口的平滑度,并将其作为高斯函数尺度的大小,在滤除噪声的同时确保了边缘信号不被平滑掉;同时采用基于简单统计法及梯度阈值法的双阈值分割方法检测经过非极大值抑制的梯度幅值图像的边缘。实验结果表明,该方法能够有效滤除噪声,且假边缘及丢失边缘的数量都比Canny边缘检测的少。

超空泡图像的自适应多尺度小波边缘检测

针对水下高速射弹试验获取的超空泡图像中夹杂较多噪声,而传统边缘检测算法在自动边缘检测中抑制噪声效果差的问题。文中采用自适应多尺度小波边缘检测,对超空泡图像进行边缘检测。算法中首先对图像进行多尺度下的小波变换和相邻尺度间的梯度增强,再采用K均值聚类进行边缘的自动检测,得到不同尺度下的边缘,根据小波基的不同选择对应的多尺度融合方法进行多尺度融合,得到最终的边缘图像。实验表明,文中算法相比传统边缘检测算法,有效地抑制了图像中噪声,得到了更完整的边缘信息。